无分类器引导（CFG Scale）：调高这个参数，AI 就更听话——但代价是什么

我第一次用 Stable Diffusion 的时候，跟很多人一样，以为 CFG Scale 就是“听话程度”的旋钮：拉高一点，AI 就更听提示词的话；拉低一点，AI 就更自由发挥。这个理解对了一半，但真正让我困惑的是另一件事：为什么参数高到一定程度，图像会突然变得很诡异，颜色像被浓硫酸泼过，细节全部烧焦？ 如果只是“更听话”，不应该出现这种副作用。后来我读到 Classifier-Free Guidance 的原始论文，才意识到：这个参数其实是在做一件很暴力的事——它把两个不同世界的预测强行相减，再放大差值。而你拉高的那个数字，就是放大倍数。放大倍数太高，差值里的噪声和伪影也会被一起放大，最后把图像“炸”了。这篇文章，我想把这件事讲清楚：CFG Scale 到底在算什么，它为什么能起作用，以及调高它的代价到底是什么。

没有分类器，但名字里还留着“分类器”

要理解 CFG，得先知道它丢弃的那个东西——分类器引导（Classifier Guidance）。在 2021 年 OpenAI 的 Diffusion Models Beat GANs 论文里，他们用了一个额外的分类器，在扩散模型去噪的每一步，去判断当前图像是否符合某个类别（比如“狗”），然后根据这个判断的梯度，把去噪方向往“更像狗”那边推。这个想法很直观：你有一个已经训练好的图像分类器，它知道什么是狗，你就在生成过程中问它：“喂，我现在这个半成品，算狗的概率是多少？”然后沿着提升概率的方向走一小步。

但这个方法有两个大问题：第一，你得额外训练一个分类器，而且这个分类器必须能处理充满噪声的中间图像——正常分类器是给干净图片用的，你得专门训练一个“噪声鲁棒分类器”，很麻烦。第二，引导的只是类别，不是自然语言。你没法说“一只穿着宇航服的柴犬”，因为分类器只认标签。所以这个方案很快就显得不够用了。

2022 年，Google Research 和 DeepMind 的团队在 Classifier-Free Guidance 论文里提出了一个更优雅的替代方案：根本不需要单独的分类器，训练的时候，模型既能条件生成（看到提示词），也能无条件生成（不看提示词），然后在推理时，你把两个预测结果混合，用差值来引导方向。这就是名字里“无分类器”的由来——把分类器扔掉了，但引导效果还在。而且因为引导信号直接来自模型自己的“条件”和“无条件”预测之差，它可以处理任意形式的条件，包括文本提示词、图像、甚至画风。

扩散模型在每一步到底在预测什么

要搞懂 CFG 的数学，先得快速看一眼扩散模型的推理过程。假设你有一张充满噪声的图像 x_t，模型（通常是一个 U-Net）会预测出当前这步应该去除的噪声 ε_θ(x_t, t)。然后你用这个噪声估计把 x_t 往干净图像的方向推一步，得到 x_{t-1}。如果模型是条件模型，它还会收到一个条件 c（比如文本编码），预测的噪声就是 ε_θ(x_t, t, c)。无条件模型则只收到一个空条件，通常用 ∅ 表示，预测 ε_θ(x_t, t, ∅)。

CFG 的核心操作就一步：在每一步去噪时，不直接用条件预测 ε_cond，而是用无条件预测 ε_uncond 和条件预测的差值，构造一个“外推”后的预测：

ε_guided = ε_uncond + w * (ε_cond - ε_uncond)

这里 w 就是 CFG Scale，通常大于 1。当 w=1 时，ε_guided = ε_cond，就是普通的条件生成。当 w>1 时，你在条件预测的方向上，多走了一步——走多远？走了 (w-1) 倍的 (ε_cond – ε_uncond) 这个差值。换成更直观的理解：模型在心想“如果没有提示词，我本来会生成什么噪音”，然后它又心想“如果有提示词，我会生成什么噪音”，两个噪音的差值，就是提示词“要求”你改变的方向。CFG Scale 就是把这个要求放大多少倍。

这个设计的巧妙之处在于，训练时你不需要任何额外的东西。你只需要在训练过程中，随机地把一定比例的样本的条件置空（比如 10-20% 的样本用空文本），模型就同时学会了无条件生成和条件生成。推理时，一次前向传播同时跑条件和无条件两个分支，然后做减法。所以它不仅“无分类器”，还“无额外训练”——训练代价几乎为零，这太天才了。

放大差值，就是放大“提示词效应”

你可以把 ε_cond – ε_uncond 想象成一个向量场：它指向“从万能的无条件图像空间，往特定提示词图像空间”的方向。这个向量本身可能很微弱，因为模型在大多数区域，条件和无条件的预测本来就差不多——毕竟，任何一张图都可以被看成“无提示词”的图，条件只是给它加了一个约束。CFG Scale 就是把这个微弱的向量放大，强迫模型往那个方向更远地走。

这解释了为什么 CFG Scale 提高，图像会变得更贴切提示词：你在每一步去噪中，都更激进地往条件方向偏移。但这也解释了副作用：这个向量场并不完美，尤其在远离训练数据分布的区域，它可能包含噪声、错误方向，甚至相互矛盾。放大它，就像把一张模糊的照片强行锐化——边缘是清晰了，但噪点和伪影也全出来了。这就是为什么高 CFG 下图像会出现过饱和、高对比度、甚至结构崩坏：那些被放大的“伪影”恰好落到了视觉上敏感的区域，比如颜色边界、纹理细节。

我最早以为，高 CFG 只是让模型“更自信”，就像分类器里提高温度倒数一样。但后来我意识到，CFG 更像是 “过驱动”一个控制系统：你给了系统一个目标，它本来会慢慢接近，但你强行把控制信号放大，系统就会震荡、超调，最后彻底发散。在扩散模型里，这种发散表现为图像的色彩和结构脱离正常范畴，变成“AI 味”很重的浓艳风格。

代价一：多样性崩塌

CFG Scale 调高，最直接的代价是生成结果的多样性急剧下降。这在直觉上很好理解：无条件生成可以覆盖整个数据分布，条件生成则将该分布约束到一个子集。当你用 w>1 放大条件信号时，你实际上在迫使模型向该子集的“中心”收缩，甚至收缩到几个最典型的样本附近。这就是为什么你用高 CFG 生成“一只猫”时，得到的猫总是那么几种姿势、那么几种毛色——模型觉得这些才是“最安全的猫”，因为它们在条件分布里密度最大。

论文 CFG++ 从数学上分析了这种多样性损失：标准 CFG 的引导方式会导致采样轨迹偏离真实数据流形，产生一种“流形偏移”，使得模型在生成过程中越来越集中到高密度区域，丢弃了低密度但合理的样本。你如果用过 Stable Diffusion 可能注意到，CFG 从 7 调到 15，泳池边的女孩可能从不同肤色、不同泳衣，变成清一色的白皮肤、蓝泳衣——这就是多样性崩塌的直观表现。

代价二：过饱和与伪影

我在玩 SD 1.5 的时候，发现一个规律：CFG 超过 12，图像像是被“泼了油漆”——天空蓝得发紫，草地绿得刺眼，人脸的高光部分直接过曝。这不是什么玄学，而是因为 ε_cond – ε_uncond 在色彩通道上往往有系统性的偏差。无条件模型倾向于生成平均化、偏灰的色彩（因为训练数据平均后就是灰色），而条件模型会往鲜艳方向偏。这个差值放大后，相当于把饱和度旋钮拧爆了。

更糟糕的是，高 CFG 还会导致一些结构性的伪影，比如重复的纹理、奇怪的对称性。这是因为扩散模型在去噪过程中，每一步的预测误差会累积。正常条件下，这些误差很小，但当你用 w 放大（ ε_cond – ε_uncond），你同时也在放大每一步的预测误差。当 w 太大，误差累积超过某个阈值，模型就会掉进一个“坏”的吸引子，生成出像万花筒一样的重复图案——这其实是一种模式坍塌。

CFG Scale 的贝叶斯解释

如果你熟悉贝叶斯公式，Classifier-Free Guidance 可以被解释为一种 “后验温度调节”。在扩散模型中，条件生成的目标是采样 p(x|c)。根据贝叶斯，p(x|c) ∝ p(x) p(c|x)。这里 p(x) 是无条件先验，p(c|x) 是给定图像 x 后条件 c 的似然。CFG 实际上是在采样时，人为地将似然项的权重提高：

p_guided(x|c) ∝ p(x) p(c|x)^w

w 越大，模型越看重“图像符合条件”这个要求，相对忽略“图像本身看起来自然”这个先验。当 w 趋于无穷，你就在强制模型只生成那些 p(c|x) 最大的 x，也就是最“典型”的样本——这就是多样性崩塌的根源。而当 w 太小（比如小于 1），你实际上在压低条件似然，图像会变得更“自由”，但也更可能偏离提示词。通常 w 在 7-9 的范围是一个经验平衡点，但不同模型不同采样器的最优值不同。

这个贝叶斯视角也解释了为什么 CFG 不能无限制提高：p(x) 和 p(c|x) 这两个分布本来就存在冲突。最自然的图像未必最符合提示词，最符合提示词的图像未必最自然。CFG Scale 就是在这两者之间做权衡的旋钮，把它拧到极端，你得到的要么是无聊的平均图像，要么是扭曲的提示词奴隶。

动态 CFG 和未来改进

既然固定 CFG 有这么多问题，研究者们自然想到让 CFG 动态变化。比如在去噪的早期阶段使用高 CFG（确定大体结构），晚期降低 CFG（增加细节的多样性）。这就是 CFG++ 等工作的思路：他们不再用简单的线性外推，而是在去噪过程中引入一个修正项，使得引导方向更平滑，并且可以自然地衰减，从而在保持提示词一致性的同时，大幅缓解过饱和与多样性损失。另外，还有一些工作直接在训练阶段就模拟高 CFG 的效果，让模型学会自己产生“干净”的引导，而不需要推理时那么暴力的外推。

不过，在目前主流的 Stable Diffusion 生态里，CFG Scale 仍然是那个简单粗暴的滑块。了解它的原理，你至少能避免一个常见错误：图片崩了，第一反应就是拉高 CFG——其实往往是反的，你应该降低它。因为崩坏本身就是过度引导的症状，再拉高只会雪上加霜。

一张表说清 CFG Scale 的利弊

这个表只是经验参考，具体数值取决于你的模型和采样器。比如某些蒸馏模型（如 LCM）往往需要更低的 CFG，因为它们的采样步数少，每一步的误差累积效应更显著。

我踩过的坑：CFG 和采样步数是联动的

有一个让我困惑了很久的现象：为什么同样的 CFG，在 20 步采样时效果很好，用 50 步反而会过饱和？我一开始以为是采样器的问题，后来才想通：CFG 的引导是每一步都施加的，步数越多，累加的引导效果越强。用 20 步，w=10 的引导总量是 20 次放大；用 50 步，就是 50 次放大。虽然扩散模型本身有缩放规则，但实际效果上，高步数下 CFG 的“真实强度”会更高。所以如果你从 DPM++ 2M Karras 换到 Euler a，步数变了，CFG 的最佳值可能也要跟着微调。这提醒我，CFG Scale 不是一个独立参数，它和采样器、步数、模型架构是耦合的。

说到底，CFG Scale 是权宜之计

Classifier-Free Guidance 用极简的算式，解决了扩散模型条件生成的大问题，让 Stable Diffusion 这样的模型迅速普及。但它本质上是一个 Hack——一种在推理时强行修正模型行为的技巧。它之所以需要存在，是因为模型本身的条件跟随能力还不够强，或者说无条件先验太强了，不得不用大棒子敲打。未来的模型，如果能在训练阶段就更好地对齐条件，比如通过更精细的条件注入、或者像 DALL·E 3 那样使用图像描述重写，CFG Scale 的重要性可能会逐渐降低。但至少现在，理解它，你就不会被那个小小的滑块牵着鼻子走。